简一成长视点 | 为什么每位患者都需要一次“AI斑马扫描”

在医学界，有一句流传已久的箴言：当你听到马蹄声，先想到马，而不是斑马。这句话提醒医生们，大多数患者的病症都是常见的，而优秀的临床医生会先识别熟悉的模式，再去追逐那些不太可能的诊断。

但反过来也同样重要。医学总是在概率与可能性之间摇摆。每一位经验丰富的医生都会记得，有些患者的诊断被延误了，因为所有人都接受了第一个看似合理的解释，而那匹“斑马”从未被请进诊室。有趣的是，人工智能或许正在创造类似的时刻。

越来越多的医生开始借助大型语言模型来辅助临床工作，从数据整理到临床思维。大多数这样的交互都遵循同一条路径：输入问题，得到答案。对话往往就此结束——除了偶尔的来回追问，模型似乎已经说完了它想说的。但我并不认为这个假设经得起临床和计算层面的推敲。我知道这听起来有点深奥，但它可能很重要。

大型语言模型并不像教科书索引那样检索事实。它们生成回答时，有一个有趣的变量叫做“温度”。尽管名字听起来和医学有关，但它与医学无关。它并不决定模型推理的深度，而是决定下一个词的可预测性。在低温下，模型会紧贴最可能的措辞；在高温下，它更愿意说出不那么显而易见的答案。

这只是一个关于语言生成的微小而机械的事实，但它产生了一个值得关注的副作用。一个“高温”运行的LLM有时会说出一个“低温”模型完全不会提到的诊断。我并不认为这意味着模型在更广泛地推理，而是它不那么谨慎了，更愿意说出一些不那么保守的答案。

大多数模型默认温度接近1.0，这是“出厂设置”。ChatGPT的消费者界面运行温度较低，大约在0.7，这使它更倾向于典型、结构化的回答。而用于临床或事实性工作的工具通常运行温度更低，往往低于0.5，因为一致性比多样性更重要。据我所知，没有人会故意让模型“高温”运行，以寻求一个可能包含更广泛变异、从而发现“斑马”的第二意见。

正是这个区别让我想到，也许患者值得不止一次获得AI的关注。想象一下，对同一个临床问题提问三次，并让模型每次都有意地给出略有不同的回答。

“冷扫描”会紧贴共识：常见病、熟悉的临床表现、临床医生每周都会遇到的病例。对大多数患者来说，答案就应该在这里结束。但代价也很明显：疾病离这个中心越远，冷静而谨慎的模型就越不可能把它说出来。

“标准扫描”会适度放宽限制：熟悉的诊断仍然占主导，但不太常见的可能性开始竞争提及。这可能接近大多数医生在无意识中已经体验到的，因为很少有临床医生在向LLM提问时会想到温度。

“热扫描”则更进一步：模型可能会说出不常见的疾病，甚至奇怪的症状组合。其中一些会是噪音，一些会浪费临床医生的时间。但偶尔，这正是那个没人想到的诊断被说出来的地方，甚至可能是第一次被说出来。

这里有一个潜在的问题：这一切不应该要求医生成为“温度工程师”，把同一个问题跑三遍模型，然后比较结果。这是一个没人要求的负担，也正是那种会让好主意被斥为“临床不切实际”的事情。这个负担应该由系统来承担。

一个鉴别诊断工具不需要用一个自信的答案来隐藏其范围。它可以在一次运行中自然地呈现所有三个层级：系统在顶部提供常见诊断，中间层是合理的替代方案，以及一组标记为低概率的可能性，这些是模型考虑过但没有放在首位的。这个范围应该来自系统的构建方式。

这是一个设计问题，而非临床问题。大多数这类工具都旨在收敛到最可能的单一答案，就像搜索引擎收敛到顶部结果一样。但重要的是要认识到，收敛虽然感觉像自信，却可能远非完整。而正是在那个差距中，隐藏着未被发现的“斑马”。

在很多方面，医生们已经将这种范围检查融入了他们的思维。疑难病例会与同事讨论，或在大型查房时呈现。患者的故事很少在一夜之间改变，但改变的是视角。或许值得一问：AI系统是否应该被设计成自行提供这种范围，而不是等待有人想到要问两次？

我想谨慎地说，这是一个设计提议，而不是临床建议。温度是我注意到的线索，而不是我完全理解的机制。我不知道有任何研究表明改变温度或围绕它构建输出能提高诊断准确性或缩短罕见诊断的路径。据我所知，这种确切的临床界面尚未被构建。

医学从未在难题上信任单一视角。患者和临床医生会寻求第二意见，或者更折中的视角。也许我们正在构建的工具应该带有同样的技术本能。

奥卡姆剃刀原则是对的：最简单的解释通常是正确的。但今天，医学仍然需要知道，在当时的临床逻辑之下，常常隐藏着什么。